Digital Transformation on Carles Abarca

Dejad de llorar por la IA y los empleos

Wed, 15 Apr 2026 00:00:00 +0000

Dejad de llorar por la IA y los empleos
#

La conversación pública sobre inteligencia artificial se ha llenado de una mezcla extraña de fascinación, miedo y dramatismo. Cada semana aparece un nuevo titular anunciando que la IA viene a destruir el trabajo humano, a vaciar oficinas, a dejar profesiones enteras obsoletas y a empujar a millones de personas a la irrelevancia. El problema es que, cuando uno mira los datos con un mínimo de rigor, la historia real es bastante distinta.

No, la IA no está borrando el empleo de forma masiva. Lo que está haciendo, y esto sí es profundo, es transformar tareas, rediseñar flujos de trabajo y cambiar las competencias que el mercado va a exigir durante los próximos años.

Y esa diferencia importa muchísimo.

La narrativa equivocada
#

Hay una razón por la que el discurso catastrofista se propaga tan rápido: funciona muy bien como contenido. “La IA te va a dejar sin trabajo” genera atención inmediata. Activa miedo, indignación y ansiedad. Es fácil de consumir y más fácil todavía de compartir.

Pero una buena narrativa no siempre describe bien la realidad.

Los estudios más serios que están saliendo en 2025 y 2026 apuntan a un patrón bastante consistente. La IA no está operando principalmente como una fuerza de eliminación bruta de puestos, sino como una tecnología que reorganiza el contenido del trabajo. Automatiza partes, acelera otras, eleva el estándar esperado en muchas funciones y crea demanda nueva en capas que antes ni existían o eran marginales.

La pregunta correcta, por tanto, no es si la IA hará desaparecer todo el empleo. La pregunta correcta es otra: ¿qué partes del trabajo humano se vuelven automatizables, cuáles ganan valor y qué nuevas capacidades pasan a ser decisivas?

Lo que dicen los datos
#

Los datos que hoy tenemos sobre la mesa no sostienen la caricatura del colapso laboral total.

Un estudio del MIT publicado en abril de 2026 apunta precisamente a esto: la IA transforma tareas mucho más de lo que destruye puestos completos. Esto encaja con una idea que los economistas del trabajo conocen bien desde hace tiempo: la mayoría de los empleos no están compuestos por una sola tarea, sino por combinaciones de actividades. Cuando una tecnología automatiza una parte del trabajo, el puesto no desaparece automáticamente. Muchas veces se redefine.

A esto se suman otras señales que no conviene ignorar.

LinkedIn ha señalado la creación de 1,3 millones de empleos nuevos vinculados a la IA. No estamos hablando solo de científicos de datos o ingenieros de prompts. Hablamos de reclutamiento especializado, integración tecnológica, operación, gobernanza, ciberseguridad, enablement comercial, formación, producto, automatización y nuevas capas de servicios.

Además, la expansión de infraestructura está generando un efecto arrastre enorme. Se estiman más de 600.000 nuevos roles ligados a la infraestructura de data centers, desde construcción y operación hasta energía, refrigeración, mantenimiento, redes y soporte especializado. Cuando la economía digital escala, no solo crecen los modelos. Crece todo el sistema que los hace posibles.

BCG también ha sido claro: la IA remodelará más trabajos de los que eliminará. Es decir, el efecto dominante será de rediseño, no de extinción pura.

Eso no significa que no haya disrupción. La habrá, y mucha. Lo que significa es que la disrupción no se parece tanto a una desaparición masiva del trabajo, sino a una reasignación acelerada del valor.

El punto ciego: no desaparece tu puesto, cambian tus competencias
#

Aquí está el matiz que muchas personas siguen sin querer ver.

El mayor impacto de la IA no será necesariamente sobre el nombre de tu puesto. Será sobre el contenido real de lo que haces cada día y sobre las competencias que necesitas para seguir siendo valioso.

Se estima que el 70% de las competencias asociadas a muchos puestos cambiarán antes de 2030. Ese dato debería ser más inquietante, y más movilizador, que cualquier predicción apocalíptica sobre destrucción de empleo.

Porque implica esto: quizá tu puesto siga existiendo, pero tú no podrás ejercerlo igual.

Un analista seguirá siendo analista, pero con herramientas que comprimen drásticamente el tiempo de análisis. Un directivo seguirá siendo directivo, pero ya no podrá tomar decisiones sin criterio sobre automatización, modelos, datos, riesgo y productividad aumentada. Un profesor seguirá siendo profesor, pero tendrá que rediseñar la experiencia de aprendizaje en un entorno donde el conocimiento es abundante y lo escaso pasa a ser el criterio. Un médico seguirá siendo médico, pero trabajará en un contexto donde la IA puede asistir en documentación, apoyo diagnóstico y priorización clínica.

La continuidad del puesto no garantiza la continuidad del valor profesional.

Y ahí es donde empieza la verdadera conversación.

La experiencia real en los equipos
#

Quienes llevamos años trabajando en tecnología vemos una cosa una y otra vez: los equipos que integran bien la IA no necesariamente reducen plantilla como reflejo automático. Lo que hacen, sobre todo, es aumentar su capacidad de ejecución.

Entregan más. Iteran más rápido. Prueban más hipótesis. Reducen fricción. Reasignan tiempo desde lo mecánico hacia lo estratégico.

Eso cambia por completo el estándar competitivo.

La IA no reemplaza de golpe al profesional competente. Pero sí expone con mucha claridad a quien decide quedarse quieto mientras el entorno avanza. No porque la máquina sea mágica, sino porque un equipo que aprende a trabajar con IA puede producir el doble en la mitad de tiempo en determinados contextos.

Y cuando eso ocurre, el problema deja de ser “la IA contra los humanos”. El problema pasa a ser “los humanos que evolucionan frente a los que se niegan a hacerlo”.

El derribo de barreras para crear
#

Hay otro ángulo que me parece especialmente importante y que a menudo queda enterrado bajo el ruido del miedo: la IA está bajando barreras de entrada para crear, emprender y escalar.

Hoy una persona con criterio, iniciativa y buenas herramientas puede hacer cosas que hace pocos años requerían equipos mucho más grandes. Prototipar, analizar, escribir, diseñar, automatizar, investigar, preparar materiales, lanzar productos, validar ideas y operar procesos está al alcance de más gente.

Eso no elimina la importancia del talento. La multiplica.

Y esto no es teoría. Ya hay casos que ilustran muy bien el fenómeno. Peter Steinberger, por ejemplo, mostró hasta qué punto un emprendedor con criterio técnico y una capa intensa de agentes de IA puede operar con una velocidad que antes parecía reservada a equipos completos. Otro caso muy citado en la conversación reciente sobre “solopreneurs” es Maor Shlomo con Base44, un proyecto llevado con una estructura extremadamente ligera y apoyado en desarrollo asistido por IA, que escaló con rapidez hasta convertirse en una señal potente de lo que cambia cuando el costo de desarrollar software se desploma.

Son ejemplos para entender la dirección del cambio: la IA está aumentando de forma radical las oportunidades de individuos con talento, foco y capacidad de ejecución.

Como ha dicho el CEO de LinkedIn, la IA está derribando barreras para crear y emprender. Y eso es una señal poderosísima. Porque donde algunos solo ven sustitución, otros ya están viendo expansión de capacidad.

El riesgo real no es la IA
#

El riesgo real no es que la IA exista.

El riesgo real es responder a esta transición con negación, cinismo o inmovilismo.

Es seguir confundiendo comodidad con seguridad. Es pensar que el futuro respetará inercias. Es creer que bastará con hacer lo mismo de siempre mientras el resto del mercado reconfigura sus capacidades.

La resistencia al cambio siempre se disfraza de prudencia. Pero en ciclos tecnológicos profundos, muchas veces no es prudencia. Es retraso.

Y el retraso, cuando el entorno se acelera, se paga caro.

Entonces, ¿qué conviene hacer?
#

No hace falta dramatizar. Hace falta actuar.

Al menos en cinco frentes:

1. Aprender a trabajar con IA, no solo a hablar de IA
#

Hay demasiada gente opinando sobre inteligencia artificial sin haber incorporado la herramienta a sus flujos reales de trabajo. La alfabetización útil no consiste en saber definir un LLM. Consiste en saber cuándo usarlo, para qué, con qué límites y con qué criterio.

2. Reforzar el criterio
#

Cuando la inteligencia se vuelve abundante, el criterio gana valor. Saber interpretar, decidir, priorizar, contextualizar y asumir responsabilidad será cada vez más importante.

3. Rediseñar procesos
#

La IA no da resultados profundos si se incrusta como un accesorio superficial. El impacto llega cuando se repiensan procesos, roles, métricas y formas de colaboración.

4. Apostar por aprendizaje continuo
#

No estamos ante una tecnología que se aprende una vez y ya. La ventaja competitiva vendrá de la capacidad de adaptación sostenida.

5. Sustituir miedo por disciplina
#

La ansiedad no construye capacidad. La experimentación disciplinada, sí.

Una conclusión incómoda, pero útil
#

La IA no te va a quitar automáticamente el trabajo.

Lo que sí puede dejarte fuera es la decisión de no evolucionar mientras todo alrededor cambia.

Por eso creo que ya va siendo hora de abandonar el victimismo tecnológico y empezar a hablar con más honestidad sobre lo que de verdad está ocurriendo. La IA no está destruyendo el valor del trabajo humano. Está redefiniendo qué trabajo humano genera valor.

Y en esa transición, el futuro no va a premiar a quien más se queje. Va a premiar a quien aprenda más rápido, combine mejor la tecnología con criterio y tenga el coraje de rediseñarse antes de verse obligado a hacerlo.

La pregunta no es si la IA va a cambiar el trabajo.

La pregunta es si tú vas a cambiar con él.

La Era de la IA Barata Se Está Terminando

Tue, 07 Apr 2026 00:00:00 +0000

La IA parecía barata. No lo era. Estaba subsidiada.

Hace un par de años, si alguien te hubiera dicho que la inteligencia artificial más avanzada del mundo iba a estar disponible por 20 dólares al mes, te habrías reído. Y sin embargo, durante un tiempo, eso fue exactamente lo que parecía.

Suscripciones de tarifa plana. Modelos cada vez más capaces. Capacidad de uso que, en la práctica, parecía casi ilimitada. La percepción generalizada era clara: la IA avanzada se estaba convirtiendo en un recurso abundante y accesible.

Pero esa percepción empieza a romperse. Y no por un fallo técnico, sino por algo más fundamental: la economía.

Las señales ya están aquí
#

En las últimas semanas, hemos visto varias señales convergentes que apuntan en la misma dirección:

Anthropic, el creador de Claude, ha empezado a restringir activamente ciertos patrones de uso a través de sus suscripciones. En particular, ha bloqueado el uso de herramientas de automatización como OpenClaw que canalizan peticiones a través de cuentas de suscripción. La razón es simple: el coste de inferencia de esos patrones de uso intensivo no cuadra con el precio de la suscripción.

No es un caso aislado. OpenAI lleva meses ajustando los límites reales de uso de sus modelos en los planes de suscripción, reduciendo progresivamente la cantidad de interacciones con los modelos más potentes antes de degradar al usuario a un modelo inferior. Lo que antes eran límites generosos y difusos se están convirtiendo en caps explícitos y más duros.

Y hay algo más inquietante: incluso con estos ajustes, la mayoría de grandes operadores de IA siguen sin ser rentables. Anthropic, OpenAI, y prácticamente todos los laboratorios frontier están quemando capital a un ritmo que haría palidecer a cualquier CFO tradicional.

La pregunta obvia es: si los usuarios ya están empezando a notar restricciones, ¿cómo es posible que los proveedores sigan perdiendo dinero?

La respuesta revela algo importante sobre la estructura económica real de esta industria.

La IA nunca fue barata. Estaba subsidiada.
#

Lo que hemos vivido durante los últimos dos años no fue el coste real de la IA. Fue una estrategia de adopción.

Los grandes laboratorios necesitaban hacer tres cosas simultáneamente:

Demostrar capacidad para justificar valoraciones de decenas (o cientos) de miles de millones.
Generar adopción masiva para crear efectos de red, lock-in y datos de uso.
Capturar desarrolladores y empresas antes de que lo hiciera la competencia.

Para conseguirlo, ofrecieron acceso a modelos frontier a precios que no reflejaban el coste real de operarlos. Las suscripciones de 20 dólares mensuales eran, en la práctica, una subvención financiada con capital riesgo.

Y funcionó. La adopción se disparó. Millones de personas empezaron a usar Claude, ChatGPT y otros modelos diariamente. Empresas de todos los tamaños comenzaron a integrar IA en sus flujos de trabajo.

Pero ahora estamos entrando en la siguiente fase. Y en esta fase, los números tienen que empezar a cuadrar.

Los modelos frontier no siguen la lógica del software tradicional
#

Hay un malentendido muy extendido que conviene abordar directamente: muchas personas asumen que la IA sigue la misma lógica económica que el software convencional. Es decir: se desarrolla una vez, se distribuye a coste marginal casi cero, y los márgenes mejoran con la escala.

Pero la IA generativa —especialmente los modelos frontier— no funciona así. En absoluto.

Cada interacción con un modelo grande implica:

Computación en tiempo real sobre hardware muy caro (GPUs de última generación).
Consumo de energía significativo por cada petición.
Costes de infraestructura que no desaparecen con la escala; en muchos casos, crecen con ella.
Latencia y disponibilidad que requieren capacidad reservada, no solo capacidad pico.

Y el problema se amplifica con las tendencias de uso más recientes. Los agentes de IA —que ejecutan múltiples llamadas encadenadas para completar tareas complejas— multiplican el coste de inferencia de forma dramática. Una sesión de agente que resuelve un problema de programación puede implicar docenas de llamadas al modelo, cada una con contextos largos y herramientas activas.

Más capacidad no implica automáticamente menor coste unitario. En muchos casos de la IA frontier, implica exactamente lo contrario.

La tarifa plana fue más estrategia comercial que realidad sostenible
#

Pensemos en lo que significaba, en la práctica, una suscripción de tarifa plana a un modelo frontier:

Un usuario pagaba 20 dólares al mes.
Tenía acceso a un modelo cuyo coste de inferencia, en uso intensivo, podía superar fácilmente los 100 o 200 dólares mensuales por usuario.
El proveedor absorbía la diferencia, confiando en que el usuario promedio no usaría el modelo de forma tan intensiva.

Ese modelo funciona razonablemente bien cuando la mayoría de usuarios son casuales: hacen unas cuantas preguntas al día, usan el modelo para tareas simples y no estresan la infraestructura. Es el mismo principio que hace funcionar los gimnasios: venden más membresías de las que el gimnasio puede atender simultáneamente, confiando en que la mayoría de la gente no irá todos los días.

Pero cuando aparecen herramientas que permiten canalizar uso intensivo y programático a través de esas suscripciones, el modelo se rompe. Es como si alguien encontrara la forma de hacer que todo el gimnasio se llenara las 24 horas. El precio ya no cubre el coste.

Por eso los proveedores están reaccionando:

Límites de uso más explícitos por modelo y por período.
Degradación automática a modelos menos costosos cuando se alcanzan ciertos umbrales.
Restricciones contractuales contra patrones de uso no previstos.
Separación más clara entre planes de consumidor, API y enterprise.

No es un capricho. Es supervivencia económica.

La gran paradoja: más restricciones, y aun así no es suficiente
#

Aquí está el dato que debería hacer reflexionar a cualquier líder empresarial que esté apostando fuerte por la IA:

Incluso después de introducir todas estas restricciones, la mayoría de operadores de IA frontier siguen perdiendo dinero.

Anthropic ha levantado más de 10.000 millones de dólares en financiación. OpenAI está en caminos similares. Y ninguno de los dos ha demostrado todavía un modelo económico sostenible a escala sin inyección continua de capital externo.

Esto no significa que el negocio sea inviable. Probablemente hay un equilibrio económico en algún punto, con la combinación correcta de pricing, eficiencia de inferencia, volumen enterprise y optimización de hardware. Pero ese equilibrio claramente no se ha alcanzado todavía.

Y mientras tanto, la industria sigue avanzando hacia modelos más grandes, más capaces, con ventanas de contexto más amplias, más herramientas integradas y más capacidades agénticas. Todas esas mejoras son fantásticas para los usuarios. Pero cada una de ellas incrementa el coste de inferencia, no lo reduce.

Qué significa esto para las empresas
#

Si eres un líder de transformación digital o un CTO que está diseñando la estrategia de IA de tu organización, el mensaje es claro:

No construyas tu arquitectura de IA asumiendo que el coste actual es el coste futuro. Y mucho menos asumiendo que bajará.

En la práctica, esto implica varias cosas:

1. Diseña para múltiples niveles de modelo
#

No todo necesita un modelo frontier. Muchas tareas —clasificación, extracción de datos, resúmenes rutinarios, asistencia básica— pueden resolverse con modelos más pequeños y significativamente más baratos. Reserva los modelos más potentes para las tareas que realmente los requieren.

2. Implementa routing inteligente
#

Las arquitecturas de IA maduras no envían todo al mismo modelo. Enrutan cada petición al modelo más eficiente que pueda resolverla con la calidad necesaria. Esto puede reducir costes de inferencia en un 60-80% sin degradar la experiencia del usuario final.

3. Mide el coste por caso de uso
#

Si no sabes cuánto te cuesta cada interacción de IA desglosada por tipo de tarea, modelo utilizado y resultado obtenido, estás volando a ciegas. La observabilidad de costes en IA debería ser tan estándar como lo es en infraestructura cloud.

4. Piensa en IA como infraestructura, no solo como software
#

La IA generativa tiene un componente de coste variable que se parece más a la electricidad o al compute cloud que a una licencia de software. Planifica en consecuencia: con reservas de capacidad, con presupuestos variables y con gobernanza de consumo.

5. No dependas de un solo proveedor
#

La concentración en un único proveedor de modelos te expone directamente a sus decisiones de pricing, sus cambios de política y sus restricciones de uso. Una arquitectura multi-modelo te da flexibilidad para adaptarte cuando —no si— cambien las condiciones.

El fin de una etapa, no el fin de la IA
#

Quiero ser claro en algo: nada de lo que describo aquí es negativo para el futuro de la IA. Es, simplemente, el fin de una etapa.

La etapa que se acaba es la de la ilusión de abundancia: modelos frontier a precios promocionales, uso aparentemente ilimitado y una sensación generalizada de que la IA avanzada se estaba convirtiendo en commodity.

La etapa que empieza es más honesta. Es la etapa donde:

Los precios reflejan más fielmente los costes reales.
Los proveedores encuentran modelos de negocio sostenibles.
Las empresas aprenden a usar la IA con disciplina económica.
Y el mercado madura, como ha madurado antes el cloud, el SaaS y toda infraestructura tecnológica que empezó con precios promocionales.

En cierto modo, es una buena noticia. Porque un mercado subsidiado indefinidamente es un mercado frágil. Y un mercado que encuentra su equilibrio económico es un mercado que puede durar.

Conclusión
#

La IA no se está encareciendo de repente. Simplemente estamos dejando de fingir que era barata.

Y la pregunta que debería estar en la mesa de cualquier comité de dirección ya no es solo “¿qué puede hacer la IA por nosotros?”, sino algo más incómodo y más necesario:

¿Cuánto nos va a costar realmente, y estamos diseñando para que sea sostenible?

Quien tenga una buena respuesta a esa pregunta tendrá una ventaja competitiva real. Quien no, descubrirá que la IA más cara no es la que tiene el mejor modelo, sino la que se implementó sin pensar en la economía.

Carles Abarca es VP de Transformación Digital en el Tecnológico de Monterrey. Escribe sobre IA, estrategia digital y el futuro de la tecnología en las organizaciones.

Mi agente de IA tiene 2 semanas. 72.000 líneas de código. 5 proyectos en producción.

Wed, 25 Feb 2026 00:00:00 +0000

No he escrito una línea de código en semanas. Y sin embargo, mis repositorios siguen creciendo.

72.563 líneas añadidas. 43 commits. 5 proyectos desplegados en producción.

Todo en 14 días. No escribí nada de eso. Lo hizo mi agente de IA.

Una aclaración primero
#

Quiero ser claro: mi trabajo como VP de Transformación Digital en el Tecnológico de Monterrey no es escribir código. Lidero equipos que lo hacen a escala, para una de las universidades más grandes de América Latina.

Pero llevo escribiendo código 40 años. Desde ensamblador hasta C, Fortran, Visual Basic, Pascal, COBOL, C++, Java, JavaScript, TypeScript, Rust, Python — los he tocado todos. Primero porque era mi trabajo. Después porque se convirtió en un hábito que nunca quise romper.

¿Por qué? Porque estar cerca del código me mantiene cerca de la realidad. Me ayuda a tomar mejores decisiones. Me permite tener conversaciones reales con mis equipos técnicos — no como un directivo que lee reportes, sino como alguien que entiende lo que están construyendo.

Los proyectos que voy a describir son personales. Algunos son pruebas de concepto que luego evolucionan en iniciativas institucionales — como TECgpt Desktop, que empezó como un experimento en mi laptop antes de convertirse en una herramienta oficial de la universidad. Otros son simplemente cosas que quiero construir.

Esto importa para lo que viene.

Mi aprendiz digital
#

Se llama JarvisX. Corre en un Mac Mini en mi oficina. Lleva “vivo” exactamente dos semanas.

Pero aquí está la clave: yo decido la arquitectura. Yo elijo el stack tecnológico. Yo defino la estructura, los patrones, las convenciones. JarvisX ejecuta — brillantemente, incansablemente y de forma autónoma — pero la visión técnica es mía.

No está reemplazando mi criterio. Lo está amplificando.

Cuando digo “construye esta funcionalidad”, ya he decidido cómo debe construirse. JarvisX se encarga de la implementación: escribe el código, despliega a producción, abre un navegador para verificar que se ve bien y hace commit de los cambios. Todo sin pedirme que apruebe cada paso.

Los números
#

En dos semanas, JarvisX ha:

Añadido 72.563 líneas de código en múltiples repositorios
Hecho 43 commits
Entregado 5 proyectos completos en producción
Configurado despliegues, sistemas de autenticación e infraestructura cloud
Validado su propio trabajo visualmente — tomando capturas de pantalla, iterando hasta que queda bien

Seré honesto: no todas las 72.000 líneas son código artesanal. Algunas son frameworks, temas y archivos de datos. Pero cada commit, cada despliegue, cada decisión de diseño fue autónoma.

Cómo llegó este artículo aquí
#

¿Quieren ver cómo es trabajar con un agente de IA en la práctica? Esta es la conversación que publicó este mismo artículo:

Yo: JarvisX, dejé un artículo nuevo para mi blog en nuestra carpeta compartida de Dropbox.

JarvisX: ¡Leído! Veo que está en inglés. ¿Quieres que genere la versión en español?

Yo: Sí. Ya confío en tus traducciones, así que no necesito revisarla. Sube ambas versiones directamente.

JarvisX: ¡Gracias por la confianza! Subiendo ahora. ¿Le pongo una imagen destacada?

Yo: Sí. Algo que evoque a un director de orquesta rodeado de agentes de IA.

JarvisX: Entendido. ¿Quieres revisarla antes?

Yo: No. Solo súbela.

Eso es todo. Sin ir y venir. Sin micromanagement. Solo confianza construida en dos semanas de trabajo juntos.

Para cuando estés leyendo esto, JarvisX ya tradujo el artículo, generó la imagen y desplegó ambas versiones en producción. No revisé su trabajo. No necesitaba hacerlo.

La verdadera lección
#

Hace un año, escribí un artículo llamado El fin del desarrollador. Mi tesis: el rol del desarrollador junior desaparecería. El futuro pertenecería a los “directores de orquesta” que conducen agentes de IA en lugar de escribir código ellos mismos.

Ahora estoy viviendo esa predicción.

Pero esto es lo que he aprendido: No puedes dirigir lo que no entiendes.

El “nuevo desarrollador” — el que orquesta agentes de IA — todavía necesita conocimiento técnico profundo. No para escribir cada línea, sino para:

Definir arquitecturas que tengan sentido
Reconocer buen código cuando el agente lo produce
Detectar errores antes de que lleguen a producción
Tomar decisiones de compromiso que requieren experiencia para evaluar

Mis 40 años programando no se volvieron obsoletos cuando empecé a trabajar con JarvisX. Se volvieron esenciales. Puedo dirigirlo eficazmente precisamente porque sé cómo se ve el buen código.

Qué significa esto
#

Si eres un desarrollador senior o arquitecto, este es tu momento. Tu experiencia es más valiosa que nunca — no para escribir código, sino para dirigir a quienes lo hacen.

Si eres un desarrollador junior, el camino no es competir con la IA escribiendo código. Es acelerar tu aprendizaje para poder dirigir la IA cuanto antes. Usa estas herramientas para aprender más rápido, no para evitar aprender.

Si eres CIO o CTO, deja de preguntar “¿cómo adoptamos agentes de IA?” Empieza a preguntar “¿nuestra gente tiene la profundidad técnica para dirigirlos bien?”

La conclusión
#

72.000 líneas. 5 proyectos. 2 semanas. Cero líneas escritas por mí.

Pero ¿cada decisión de arquitectura? Mía. ¿Cada elección tecnológica? Mía. ¿Cada estándar de calidad? Mío.

El futuro del desarrollo de software no se trata de escribir menos código. Se trata de dirigir más — con la sabiduría que solo la experiencia puede dar.

Carles Abarca es VP de Transformación Digital en el Tecnológico de Monterrey y ex-CTO de Banco Sabadell. Lleva 40 años escribiendo código y planea no parar nunca — aunque ya no sea él quien lo teclea.

La Guía del CIO para Agentes de IA: Antes de Comprar, Haz Estas 5 Preguntas

Mon, 23 Feb 2026 00:00:00 +0000

El mercado de agentes de IA alcanzará los $236 mil millones para 2034. Todos los vendors quieren tu presupuesto. Así es como separar el hype del valor real.

Todos los vendors de software empresarial ahora venden “agentes de IA”. Salesforce tiene Agentforce. ServiceNow adquirió Moveworks por $2.85 mil millones. Microsoft promete una “empresa agéntica” a través de Copilot. Startups como Sierra han alcanzado $100 millones de ARR en menos de dos años.

La presión para actuar es real. El 89% de los CIOs consideran los agentes de IA como prioridad estratégica. El 51% de las grandes empresas ya han desplegado IA agéntica. Tu consejo está haciendo preguntas. Tus competidores se están moviendo.

Pero aquí está lo que nadie te dice: la mayoría de las compras de agentes de IA no entregan el valor esperado. No porque la tecnología no funcione — sino porque las organizaciones compran la solución equivocada para su situación específica.

Después de dos décadas liderando transformación tecnológica en un importante banco europeo y ahora impulsando la innovación digital en una de las universidades más grandes de América Latina, he desarrollado un framework para evaluar agentes de IA que atraviesa el hype de los vendors. Antes de firmar ese contrato, hazte estas cinco preguntas.

El Panorama de Agentes de IA en 2026
#

Primero, entendamos qué estás comprando. El mercado tiene tres categorías distintas:

1. Agentes Embebidos de Vendors SaaS

Tus vendors actuales están añadiendo agentes a sus plataformas:

Salesforce Agentforce: $0.10 por acción o $125-550/usuario/mes
ServiceNow AI Agents: Orquestación completa con AI Control Tower
Microsoft Copilot Studio: Incluido con M365, más add-ons
Zendesk AI Agents: $1.50 por resolución autónoma

El pitch: “Ya usas nuestra plataforma. Ahora es más inteligente.”

2. Startups de Agentes Especializadas

Empresas construyendo agentes desde cero:

Sierra (Bret Taylor, ex-Salesforce): Valoración de $10B, enfocada en servicio al cliente
Adept: Automatización de workflows
Imbue, Reflection AI: Enfoques basados en investigación

El pitch: “No estamos limitados por arquitectura legacy.”

3. Proveedores de Modelos Fundacionales

Las empresas construyendo la IA misma:

Anthropic: Claude con Computer Use y MCP (Model Context Protocol)
OpenAI: GPT-4 con Operator
Google: Gemini con Agentspace

El pitch: “Construye agentes personalizados sobre nuestra infraestructura.”

Cada categoría tiene trade-offs. Tu trabajo es entender qué trade-offs importan para tu organización.

Pregunta 1: ¿Qué Problema Estás Realmente Resolviendo?
#

Esto suena obvio. No lo es.

“Necesitamos agentes de IA” no es una declaración de problema. Tampoco lo es “necesitamos reducir costos” o “necesitamos ser más innovadores.”

Una declaración de problema adecuada se ve así:

“Nuestro equipo de servicio al cliente maneja 50,000 tickets al mes. El 60% son reinicios de contraseña y consultas de estado de pedidos. El tiempo promedio de atención es de 8 minutos. Necesitamos reducirlo a menos de 2 minutos para consultas rutinarias.”
“Nuestro equipo de compliance revisa manualmente 10,000 transacciones diarias para detección de lavado de dinero. La tasa de falsos positivos es del 95%. Necesitamos reducir los falsos positivos manteniendo la cobertura regulatoria.”

¿Notas la diferencia? Proceso específico. Línea base medible. Objetivo claro.

La trampa: Los vendors felizmente te venderán una “plataforma de agentes de propósito general” que teóricamente puede hacer cualquier cosa. En la práctica, estas plataformas no hacen nada bien. Comienza con un caso de uso de alto valor y bien definido. Prueba que funciona. Luego expande.

Bandera roja: Si no puedes articular el proceso específico, las métricas actuales y la mejora objetivo, no estás listo para comprar.

Pregunta 2: ¿Construir, Comprar o Extender?
#

Tienes tres caminos. Permíteme ilustrar cada uno con escenarios reales.

EXTENDER: Añadir Capacidades de Agentes a Tus Plataformas Existentes
#

Qué significa: Ya usas Salesforce, ServiceNow o Microsoft 365. Activas sus funciones de agentes incorporadas.

Ejemplo real — Retailer Global con Salesforce: Una empresa de retail con 200 representantes de servicio al cliente ya usaba Service Cloud. Activaron Agentforce Service Agent en tres semanas. Configuración, no desarrollo. El agente ahora maneja el 40% de las consultas entrantes (estado de pedidos, políticas de devolución, horarios de tienda) sin intervención humana. Costo: $0.10 por acción del agente. Sin nueva relación con vendor. Sin proyecto de integración.

Ejemplo real — Aseguradora con ServiceNow: Una aseguradora usando ServiceNow ITSM habilitó AI Agents para categorización y enrutamiento de incidentes. El agente lee tickets entrantes, identifica el sistema afectado, asigna prioridad y enruta al equipo correcto. Implementación: 6 semanas. Resultado: 60% de reducción en tickets mal enrutados, 25% tiempos de resolución más rápidos.

Cuándo Extender:

Ya estás pagando por la plataforma
Tu caso de uso es común (servicio al cliente, helpdesk de TI, consultas de RRHH)
Necesitas resultados en semanas, no meses
No tienes talento de ingeniería de IA

La limitación: Estás restringido a lo que tu vendor ofrece. Si Salesforce Agentforce no soporta tu workflow específico, estás atrapado esperando su roadmap.

COMPRAR: Adquirir una Solución de Agentes Especializada
#

Qué significa: Traes una startup o vendor especializado que hace una cosa excepcionalmente bien.

Ejemplo real — Marca E-commerce con Sierra: Una marca direct-to-consumer con $500M de ingresos no estaba satisfecha con su chatbot existente. Desplegaron Sierra para servicio al cliente. Los agentes de Sierra manejan conversaciones complejas: procesando devoluciones mientras sugieren alternativas, gestionando modificaciones de suscripciones, resolviendo disputas de facturación. Los agentes acceden a su backend de Shopify, procesador de pagos y sistemas de envío. Implementación: 4 meses. Resultado: 70% de conversaciones resueltas sin escalación humana. Satisfacción del cliente aumentó 15 puntos.

Ejemplo real — TI Empresarial con Moveworks (ahora ServiceNow): Antes de la adquisición, las empresas compraban Moveworks específicamente para automatización de helpdesk de TI. El agente podía reiniciar contraseñas, aprovisionar software, solucionar problemas de VPN y responder preguntas de políticas — todo a través de conversación natural en Slack o Teams. Entendía contexto: “No puedo acceder al servidor” disparaba workflows diferentes que “Necesito instalar Photoshop.”

Cuándo Comprar:

Los agentes de tu vendor actual no son suficientemente buenos para un caso de uso estratégico
Una startup tiene tracción probada en tu dominio específico
Puedes permitirte 3-6 meses de implementación
El caso de uso es lo suficientemente importante para justificar una nueva relación con vendor

El riesgo: Viabilidad de la startup. ¿Qué pasa si Sierra es adquirida? ¿Si la startup pivotea? Dependes de una empresa que puede no existir en cinco años. Mitiga esto asegurando portabilidad de datos y evitando personalizaciones profundas que te amarren.

CONSTRUIR: Crear Agentes Personalizados Usando Modelos Fundacionales
#

Qué significa: Usas las APIs de Claude, GPT-4 o Gemini para construir agentes adaptados a tus procesos únicos.

Ejemplo real — Agente de Análisis de Deals de un Banco de Inversión: Un banco de inversión tier-1 construyó un agente personalizado para analistas de M&A. El agente ingiere documentos de la SEC, transcripciones de earnings, artículos de noticias e investigación interna. Los analistas hacen preguntas en lenguaje natural: “¿Cuáles son los riesgos clave en la estructura de deuda de Acme Corp?” o “Compara el perfil de margen de estos tres objetivos de adquisición.” El agente sintetiza información que a un analista le tomaría horas compilar manualmente. Construido sobre Claude con RAG personalizado (retrieval-augmented generation) sobre bases de datos propietarias. Desarrollo: 8 meses. Equipo: 6 ingenieros, 2 especialistas en ML. El output es ventaja competitiva propietaria — ningún vendor ofrece esto.

Ejemplo real — Agente de Ensayos Clínicos de una Farmacéutica: Una empresa farmacéutica construyó un agente para monitorear datos de ensayos clínicos en tiempo real. El agente identifica patrones de eventos adversos, señala desviaciones del protocolo y genera reportes listos para reguladores. Este no es un caso de uso que ningún vendor sirva — el conocimiento del dominio es demasiado especializado, los requisitos regulatorios demasiado específicos. Construido sobre GPT-4 con fine-tuning extensivo y guardrails de seguridad personalizados. Desarrollo: 12 meses.

Ejemplo real — Ecosistema Académico Personalizado de Universidad (TecGPT): En el Tecnológico de Monterrey, construimos TecGPT — nuestro ecosistema de IA académico, integrado con nuestro LMS, asistiendo tanto a profesores como a estudiantes, y alineado con nuestra normativa académica. Ningún vendor podía ofrecer lo que necesitábamos out-of-the-box.

Cuándo Construir:

Tu proceso es genuinamente único y define ventaja competitiva
No existe solución de vendor para tu dominio
Tienes talento de ingeniería de IA/ML (o puedes adquirirlo)
Puedes invertir 6-12 meses antes de ver valor en producción
El valor a largo plazo justifica el costo de mantenimiento continuo

El reality check: Construir es caro. Un agente personalizado no es un proyecto de una sola vez — es un producto continuo. Necesitas ingenieros para mantenerlo, mejorarlo y adaptarlo conforme los modelos fundacionales evolucionan. Presupuesta 2-3 FTEs indefinidamente, no solo la construcción inicial.

La Matriz de Decisión
#

Factor	Extender	Comprar	Construir
Tiempo a valor	Semanas	3-6 meses	6-12 meses
Personalización	Baja	Media	Ilimitada
Riesgo de vendor	Bajo	Alto	Medio
Talento requerido	Admins	Integradores	Ingenieros + ML
Costo total (3 años)	$$	$$$	$-$$$$
Ventaja competitiva	Ninguna	Baja	Alta

Mi Recomendación
#

Comienza con Extender para tu primer despliegue de agentes. Incluso si no es perfecto, aprenderás qué funciona, qué necesitan realmente los usuarios y dónde están las brechas. Ese aprendizaje es invaluable antes de comprometerte con Comprar o Construir.

Muévete a Comprar cuando hayas probado el valor de los agentes y necesites capacidades que tu vendor de plataforma no ofrece. Elige startups con tracción fuerte, enfoque claro en casos de uso y clientes empresariales que puedan servir como referencias.

Construye solo cuando hayas agotado las opciones de Extender y Comprar, o cuando el proceso sea tan único que genuinamente diferencie tu negocio. Si estás construyendo agentes para procesos commodity (servicio al cliente, helpdesk de TI), estás desperdiciando talento de ingeniería que podría crear ventaja competitiva real.

Pregunta 3: ¿Cómo Medirás el Éxito?
#

Antes del despliegue, define:

Métricas de eficiencia:

Tiempo ahorrado por tarea
Tareas manejadas sin intervención humana
Reducción de tasa de errores

Métricas de calidad:

Satisfacción del cliente (para agentes de cara al cliente)
Precisión de compliance (para procesos regulatorios)
Calidad de decisión (medida contra línea base de experto humano)

Métricas de negocio:

Costo por transacción
Impacto en ingresos (si aplica)
Satisfacción del empleado (los agentes deben ayudar a los trabajadores, no amenazarlos)

La regla de los 90 días: Si no puedes demostrar mejora medible dentro de 90 días, algo está mal. Ya sea que el caso de uso fue mal elegido, la implementación fue defectuosa, o el vendor sobre-vendió capacidades. No extiendas pilotos indefinidamente esperando resultados.

Métrica oculta: Adopción. El agente más sofisticado no vale nada si tu equipo no lo usa. Rastrea uso real, no solo disponibilidad.

Pregunta 4: ¿Cuál es Tu Estrategia de Human-in-the-Loop?
#

En 2026, ninguna organización responsable despliega agentes totalmente autónomos para decisiones consecuentes. La pregunta es dónde colocar la supervisión humana.

El espectro:

Iniciado por humano: Humano inicia tarea, agente asiste, humano aprueba resultado
Iniciado por agente con aprobación: Agente identifica oportunidad, propone acción, humano aprueba
Ejecutado por agente con auditoría: Agente actúa autónomamente, humano revisa después del hecho
Totalmente autónomo: Agente actúa sin supervisión (apropiado solo para acciones de bajo riesgo y reversibles)

Mi framework para elegir:

Nivel de Riesgo	Reversibilidad	Enfoque Recomendado
Bajo	Fácil de revertir	Totalmente autónomo
Bajo	Difícil de revertir	Ejecutado por agente con auditoría
Alto	Fácil de revertir	Iniciado por agente con aprobación
Alto	Difícil de revertir	Solo iniciado por humano

Ejemplos:

Reinicio de contraseña → Totalmente autónomo (bajo riesgo, reversible)
Reembolso de cliente menor a $50 → Ejecutado por agente con auditoría
Decisión de crédito → Iniciado por agente con aprobación
Presentación regulatoria → Solo iniciado por humano

La realidad regulatoria: Servicios financieros, salud y otras industrias reguladas requerirán supervisión humana para la mayoría de las decisiones consecuentes en el futuro previsible. Planifica para esto. Agentes que “recomiendan y explican” son más valiosos que agentes que “deciden y actúan” en estos contextos.

Pregunta 5: ¿Cuál es Tu Estrategia de Datos?
#

Los agentes de IA son tan buenos como los datos a los que pueden acceder. Antes de comprar, audita:

Disponibilidad de datos:

¿Puede el agente acceder a todos los sistemas necesarios para el caso de uso?
¿Hay APIs disponibles, o necesitarás integraciones personalizadas?
¿Cuál es la latencia? Agentes que esperan 30 segundos por búsquedas de datos frustran a los usuarios.

Calidad de datos:

¿Tus datos son precisos y actualizados?
¿Hay problemas conocidos de calidad de datos que causarán errores del agente?
¿Quién es responsable de la higiene de datos?

Gobernanza de datos:

¿A qué datos puede acceder el agente? ¿Qué está fuera de límites?
¿Cómo previenes que los agentes expongan información sensible?
¿Qué trail de auditoría existe para el acceso a datos del agente?

El impuesto de integración: La mayoría de las empresas subestiman el esfuerzo de integración por 3-5x. Si el vendor dice “integramos con todo,” pide referencias de clientes ejecutando tu combinación específica de sistemas. Las afirmaciones genéricas no significan nada.

MCP y el futuro: El Model Context Protocol (MCP) de Anthropic está emergiendo como estándar para comunicación agente-a-sistema. Considera si tu plataforma elegida soporta estándares abiertos o te encierra en integraciones propietarias.

El Framework de Decisión
#

Después de responder estas cinco preguntas, deberías poder completar esta declaración:

“Desplegaremos [tipo específico de agente] para resolver [problema específico] en [proceso específico]. Esperamos lograr [mejora métrica específica] dentro de [plazo]. Nuestro modelo de supervisión humana es [enfoque]. Hemos confirmado acceso a datos a [sistemas] y definido políticas de gobernanza para [tipos de datos sensibles].”

Si no puedes completar esta declaración con confianza, no estás listo para comprar.

Mis Recomendaciones para 2026
#

Para la mayoría de las empresas: Comienza con las capacidades de agentes de tu vendor existente. Salesforce Agentforce, ServiceNow AI Agents o Microsoft Copilot Studio manejarán el 80% de los casos de uso comunes. La integración ya está hecha. Los frameworks de gobernanza existen. El riesgo es manejable.

Para servicio al cliente: Sierra tiene tracción probada. Si la experiencia del cliente es estratégica y los agentes de tu vendor actual no cumplen, evalúa Sierra seriamente. Sus $100M de ARR en 21 meses señalan entrega de valor real.

Para procesos únicos: Construye sobre Anthropic Claude u OpenAI, pero solo si tienes el talento de ingeniería para mantener soluciones personalizadas. Los modelos fundacionales son extraordinarios. La ingeniería requerida para productizarlos no es trivial.

Para todos: Empieza pequeño. Un caso de uso. Prueba de valor en 90 días. Luego expande. Los vendors quieren que compres plataformas. Tú deberías comprar soluciones a problemas específicos.

La Conclusión
#

El mercado de agentes de IA es real. El valor es real. Pero también lo es el hype.

El 62% de las empresas que invierten en IA agéntica esperan más del 100% de ROI. Algunas lo lograrán. Muchas no — no porque la tecnología falló, sino porque compraron la solución equivocada para el problema equivocado con el enfoque de implementación equivocado.

No seas una estadística. Haz las cinco preguntas. Completa el framework de decisión. Entonces — y solo entonces — firma el contrato.

Los agentes están listos. Asegúrate de que tú también lo estés.

La Banca Nunca Volverá a Ser la Misma: Una Visión Desde Dentro Sobre los Agentes de IA

Sun, 22 Feb 2026 00:00:00 +0000

La Banca Nunca Volverá a Ser la Misma: Una Visión Desde Dentro Sobre los Agentes de IA
#

Lideré la transformación digital de un banco europeo de €200B. Los agentes de IA cambiarán todo lo que creía saber.

Entre 2001 y 2023, pasé más de dos décadas en Banco Sabadell, una de las instituciones financieras más grandes de España, ascendiendo desde roles tecnológicos hasta CIO y finalmente CTO. Supervisé la integración tecnológica de TSB en el Reino Unido, navegué una de las crisis de TI bancarias más públicas de la historia reciente, y lideré una transformación digital multianual que tocó cada rincón de una organización de 25,000 empleados.

En aquel entonces, creíamos que las APIs revolucionarían la banca. Estábamos pensando demasiado pequeño.

La revolución de los agentes de IA hará que nuestra transformación de APIs parezca un ejercicio de calentamiento.

Por Qué la Banca Es Perfecta para los Agentes de IA
#

Los bancos son únicos. Operan en un entorno que parece hostil a la automatización — regulación pesada, aversión al riesgo, sistemas legacy — pero que en realidad es ideal para los agentes de IA.

Procesos repetitivos con reglas claras. Verificación KYC. Monitoreo de transacciones. Resolución de disputas. Reportes de cumplimiento. Estos procesos siguen reglas explícitas que los humanos aplican miles de veces al día. Reglas que pueden ser codificadas, ejecutadas y auditadas por agentes.

Datos estructurados en todas partes. A diferencia de las industrias creativas, la banca funciona con datos estructurados: transacciones, contratos, saldos, tasas. Esto es exactamente lo que los agentes procesan con excelencia.

La regulación como ventaja. Esto suena contraintuitivo. Pero considera: los agentes pueden seguir reglas de manera más consistente que los humanos. No se cansan. No toman atajos. No olvidan pasos. En un mundo donde las fallas de cumplimiento cuestan miles de millones, los agentes que demostrablemente siguen cada regulación se convierten en activos, no en riesgos.

La economía lo exige. Los bancos europeos operan con márgenes muy ajustados. Ratios de costo-ingreso por encima del 60% son comunes. Las matemáticas son brutales: reducir costos operativos o morir. Los agentes ofrecen un camino que no requiere otra ronda de despidos — ofrecen un camino para hacer más con las mismas personas.

El Mapa de Transformación con Agentes
#

Así es como veo a los agentes de IA transformando las operaciones bancarias centrales:

Función	Hoy	Con Agentes
KYC/Onboarding	3-5 días, múltiples traspasos	15 minutos, agente + aprobación humana final
Detección de Fraude	Alertas generan colas → humanos investigan	Agente investiga, escala solo preocupaciones genuinas
Servicio al Cliente	Chatbots limitados, transferencias frustrantes	Agente con contexto completo, maneja 80% de extremo a extremo
Monitoreo de Cumplimiento	Ejércitos de revisores muestreando transacciones	Monitoreo continuo por agentes, humanos manejan excepciones
Decisiones de Crédito	Score + juicio humano + comité	Análisis de agente + recomendación + aprobación humana
Reportes Regulatorios	Recopilación manual de datos, infierno de conciliación	Agente ensambla, valida, humanos verifican y envían

El patrón es consistente: los agentes manejan el volumen, los humanos manejan el juicio. La proporción cambia de 90% trabajo humano / 10% supervisión a 10% trabajo humano / 90% supervisión.

Los Verdaderos Desafíos (Desde Adentro)
#

Estaría mintiendo si dijera que esta transformación será fácil. Habiendo vivido dentro de un gran banco, sé que los obstáculos son formidables.

Los sistemas legacy no van a ninguna parte. COBOL todavía ejecuta sistemas críticos en la mayoría de los grandes bancos. Los mainframes procesan millones de transacciones diariamente. Estos sistemas funcionan. Están pagados. Ningún CEO aprobará eliminarlos por un experimento de IA. La estrategia ganadora no es el reemplazo — es una capa de agentes que se interface con sistemas legacy a través de APIs existentes y screen scraping donde sea necesario.

Los reguladores son conservadores — pero están evolucionando. Los reguladores bancarios se mueven lentamente por diseño. Recuerdan 2008. Pero no son ciegos al potencial de la IA. La clave es involucrarlos temprano, demostrar auditabilidad, y enmarcar a los agentes como herramientas de reducción de riesgo, no de introducción de riesgo.

La cultura resiste el cambio. Los bancos son instituciones aversas al riesgo llenas de personas aversas al riesgo. “Siempre lo hemos hecho así” no es un cliché — es una creencia profundamente arraigada. La gestión del cambio importa más que la selección de tecnología.

La brecha de talento es real. Los banqueros no entienden IA. Los ingenieros de IA no entienden banca. Encontrar personas que hablen ambos idiomas es casi imposible. Construir ese puente — a través de capacitación, contratación y alianzas — es esencial.

Los silos de datos persisten. Los datos de clientes que necesitas para agentes inteligentes están dispersos en docenas de sistemas que no se comunican entre sí. Los proyectos de unificación de datos han fallado durante décadas. Los agentes no resolverán esto mágicamente — pero pueden trabajar alrededor de ello mejor que los enfoques de integración tradicionales.

Lo Que Haría Diferente Hoy
#

Si estuviera de vuelta en esa silla de CTO hoy, sabiendo lo que sé sobre agentes de IA, esto es lo que cambiaría:

Dejar de comprar SaaS “potenciado por IA”. Cada proveedor ahora afirma capacidades de IA. La mayoría son wrappers alrededor de los mismos modelos fundacionales con personalización limitada. En su lugar: construir una capa de agentes sobre tus sistemas existentes. Posee la inteligencia, alquila la infraestructura.

Empezar con back-office, no con cara al cliente. Los reguladores escudriñan la IA orientada al cliente. Las operaciones de back-office tienen más libertad. Demuestra valor internamente — conciliación, reportes, investigación interna de fraude — luego expande a puntos de contacto con clientes con evidencia y confianza.

Adoptar un modelo de aprobación híbrido. Durante los próximos 3-5 años, el patrón ganador es: el agente propone, el humano aprueba. Esto satisface a los reguladores, construye confianza, y crea datos de entrenamiento para automatización completa futura. No intentes eliminar humanos demasiado rápido.

Invertir en observabilidad. Los agentes deben ser auditables. Cada decisión, cada acceso a datos, cada recomendación debe ser registrada y explicable. Esto no es opcional — es la base de la aceptación regulatoria.

Predicciones para 2027-2030
#

Basado en lo que estoy viendo en el mercado y mi experiencia dentro de la banca:

50% de reducción en personal de back-office. No a través de despidos, sino a través de attrition y reubicación. El trabajo no desaparecerá — se transformará. Los bancos necesitarán menos procesadores y más supervisores de agentes.

Surgirán bancos “agent-first”. Nuevos entrantes — probablemente de Asia y América Latina — construirán bancos diseñados alrededor de agentes desde el primer día. Operarán con 1/10 del personal de los bancos tradicionales. Esta es la verdadera amenaza competitiva.

Los reguladores crearán certificación de agentes de IA. Así como tenemos auditorías de software hoy, tendremos auditorías de agentes. Los bancos que logren la certificación temprano tendrán una ventaja competitiva.

Las M&A se acelerarán. La inversión requerida para construir capacidades de agentes favorece la escala. Los bancos más pequeños que no puedan pagar la transformación se fusionarán o serán adquiridos. La industria se consolidará aún más.

Surgirá el rol de “banquero de IA”. Una nueva categoría de trabajo: profesionales que entienden tanto las operaciones bancarias como la orquestación de agentes de IA. Serán el talento más buscado en servicios financieros.

La Elección por Delante
#

Cada ejecutivo bancario enfrenta la misma pregunta hoy: invertir fuertemente en agentes de IA ahora, o esperar y ver.

Esperar se siente seguro. No lo es.

Los bancos que se muevan primero reducirán costos, mejorarán el cumplimiento, y — crucialmente — atraerán el talento necesario para seguir mejorando. Los bancos que esperen se encontrarán compitiendo contra instituciones que operan a la mitad de su estructura de costos.

He visto la banca transformarse antes — de sucursales a cajeros automáticos, de papel a digital, de monolitos a APIs. Cada ola recompensó a los que se movieron temprano y castigó a los rezagados.

Esta ola será más rápida y más decisiva.

La pregunta no es si tu banco usará agentes de IA. La pregunta es si serás tú quien los despliegue — o el que sea reemplazado por un banco que sí lo hizo.

Carles Abarca es VP de Transformación Digital en el Tecnológico de Monterrey. Pasó 22 años en Banco Sabadell, incluyendo roles como CIO y CTO, liderando la transformación digital del banco y la integración tecnológica de TSB. Escribe sobre IA, transformación digital y el futuro de la tecnología empresarial en carlesabarca.com.

La Agent Economy: de vender software a vender empleados artificiales

Wed, 18 Feb 2026 00:00:00 +0000

El SaaSpocalypse de febrero no fue un accidente. Fue un aviso. El mercado vio lo que muchos CIOs todavía no quieren ver: la lógica de negocio que justifica licencias de miles de millones cabe en un archivo de texto que un agente de IA puede ejecutar.

Pero la pregunta interesante no es qué se destruye. Es qué emerge.

De SaaS a SaS
#

El consenso de la industria ya tiene nombre para esta transición: SaS — Services-as-Software. El término, popularizado por Foundation Capital en su tesis sobre la oportunidad de $4,6 billones en IA agéntica, invierte la fórmula que ha dominado el software empresarial durante dos décadas. SaaS vendía software como servicio. SaS vende servicios como software — agentes autónomos que entregan resultados, no interfaces.

Es la diferencia entre vender un bisturí y vender la cirugía.

Otros lo llaman WaaS — Workers-as-a-Service. O directamente lo que es: la Agent Economy. Una economía donde las empresas no contratan licencias de software. Contratan empleados artificiales. Empleados que no negocian salario, no piden vacaciones y escalan sin límite.

El mapa de la reconversión
#

Si la tesis es correcta, la pregunta no es si los grandes SaaS se reconvertirán, sino cuándo y cómo. Aquí van mis predicciones concretas:

SAP dejará de vender licencias FI/CO para gestionar contabilidad. En su lugar ofrecerá un agente contable que, a partir de eventos de negocio — una factura emitida, un pago recibido, un cierre de período — mantendrá al día la contabilidad en SAP de forma autónoma. Los humanos dejarán de interactuar con el UI de SAP. El agente interactuará con el API de SAP. El controller financiero pasará de operar el sistema a supervisar al agente.

Salesforce dejará de vender CRM por usuario. Ofrecerá un agente comercial que cualifica leads, actualiza oportunidades, programa seguimientos y genera forecasts. Los vendedores dejarán de rellenar campos en Salesforce. El agente extraerá la información de emails, llamadas y reuniones, y mantendrá el pipeline actualizado. El rol del sales manager pasará de perseguir a su equipo para que actualice el CRM a revisar las decisiones del agente.

ServiceNow dejará de vender tickets de soporte por seat. Ofrecerá un agente de operaciones que diagnostica incidencias, ejecuta runbooks, escala cuando es necesario y cierra tickets sin intervención humana. El 80% del soporte L1 y L2 será invisible para los humanos.

Workday dejará de vender módulos de HR por empleado. Ofrecerá un agente de gestión de personas que procesa nóminas, gestiona ausencias, genera reportes de compliance y ejecuta onboarding completo — desde provisionar accesos hasta programar la agenda de la primera semana.

HubSpot dejará de vender un marketing suite. Ofrecerá un agente de growth que genera contenido, optimiza campañas, segmenta audiencias y ajusta presupuestos en tiempo real basándose en conversiones. El CMO no operará herramientas. Dirigirá una orquesta de agentes.

Atlassian dejará de vender Jira por desarrollador. Ofrecerá un agente de delivery que descompone épicas en tareas, asigna trabajo según capacidad, detecta bloqueos y genera reportes de progreso. El engineering manager pasará de gestionar un tablero a gestionar una estrategia.

El patrón
#

En todos los casos, el patrón es el mismo: el humano deja de ser operador del software y pasa a ser supervisor del agente. El valor no está en la interfaz. Está en la inteligencia.

Y el modelo de negocio se transforma con él. Ya no cobras por seat — porque no hay seats. Cobras por outcome. Por factura procesada. Por lead cualificado. Por incidencia resuelta. Por nómina ejecutada.

Las empresas que entiendan esto primero capturarán el mercado. Las que sigan vendiendo interfaces con un copilot pegado encima descubrirán que un archivo markdown y un agente con acceso a sus APIs hacen el mismo trabajo por una fracción del coste.

La Agent Economy no viene. Ya está aquí. La pregunta es si estás contratando agentes o todavía comprando licencias.

El SaaSpocalypse: $300.000 millones evaporados en 48 horas

Tue, 17 Feb 2026 00:00:00 +0000

$300.000 millones evaporados en 48 horas. Bienvenidos al SaaSpocalypse.

En octubre de 2024 escribí sobre la próxima ola de la IA: los agentes. En mayo de 2025 escribí sobre el fin del desarrollador tal como lo conocemos. Ambos artículos compartían una tesis: la IA no viene a asistir. Viene a ejecutar.

La primera semana de febrero nos ha dado la razón de la forma más brutal posible.

Anthropic lanzó unos plugins para su herramienta Cowork — básicamente archivos markdown que codifican expertise legal, financiera y de ventas. Nada revolucionario en apariencia. Pero el mercado entendió algo que muchos CIOs todavía no han procesado: si la lógica de negocio de Thomson Reuters cabe en un archivo de texto que un agente de IA puede leer y ejecutar, su software de $200/usuario/mes tiene un problema existencial.

Thomson Reuters perdió el 57% desde máximos. ServiceNow el 48%. Salesforce el 43%. El índice S&P de software tuvo su peor mes desde octubre de 2008.

Pero lo interesante no es la caída. Es la tesis detrás.

Satya Nadella lo dijo en diciembre de 2024: “Las aplicaciones SaaS son bases de datos CRUD con lógica de negocio encima. Los agentes absorberán esa lógica.” Foundation Capital le puso número: $4,6 billones de oportunidad. Lo llamaron “Service as Software” — la inversión del modelo SaaS. Ya no vendes herramientas para que humanos resuelvan problemas. Vendes resultados. El agente hace el trabajo.

Un cliente de Palantir lo resumió mejor que cualquier analista: “Todo software de terceros debe justificar su existencia. Y hasta ahora, no ha podido.”

Esto no significa que Salesforce o SAP desaparezcan mañana. Los costes de switching son reales. Las integraciones profundas protegen. Pero el modelo de pricing por seat tiene los días contados. IDC predice que para 2028 será obsoleto. Y las empresas que no transicionen a modelos basados en outcomes van a descubrir que su moat era más estrecho de lo que pensaban.

Llevo más de 20 años liderando transformación tecnológica en banca y educación. He visto ciclos de pánico antes — cloud, mobile, blockchain. Pero esta vez es diferente. No es una nueva capa que se añade al stack. Es una capa que absorbe las demás.

La pregunta para cada CIO hoy no es “cómo integro IA en mi software.” Es “cuánto de mi software puede reemplazar un agente con un archivo markdown y acceso a mis APIs.”

Si la respuesta te incomoda, probablemente ya llegas tarde.

La mayoria de las empresas no tiene un problema de IA. Tiene un problema de organizacion

Wed, 14 Jan 2026 00:00:00 +0000

Todo el mundo habla de modelos. Todo el mundo habla de agentes. Todo el mundo habla de copilotos.

Pero cuando analizas lo que realmente ocurre dentro de las empresas, aparece una verdad incomoda: la IA no esta fallando; las organizaciones si.

Los datos son consistentes en multiples estudios:

Entre 70% y 80% de las iniciativas de IA y analitica avanzada fracasan.
Solo 23% de las empresas obtiene valor real y sostenido de la IA.
81% tiene dificultades para llevar IA a produccion.
70% de las transformaciones digitales fracasan por cultura y organizacion.
El principal bloqueo para IA son los datos, habilidades y complejidad organizacional.
Ademas, 63% de las empresas no tiene datos AI-Ready, poniendo en riesgo sus iniciativas.

Aun asi, muchos directivos siguen diciendo que “la tecnologia no esta lista”.

Las cinco verdades incomodas
#

1. Gobernanza inexistente
#

Modelos sin duenos, sin politicas, sin controles y que no escalan.

2. Datos en estado salvaje
#

Silos, duplicados, mala calidad, falta de linaje. La IA amplifica la desorganizacion.

3. Procesos invisibles o inconsistentes
#

No puedes automatizar lo que no esta definido ni integrar IA en flujos que no existen.

4. Equipos desbalanceados
#

Mucho entusiasmo, poca ingenieria. Muchos pilotos, cero operacion.

5. Estrategias construidas al reves
#

Se empieza por el modelo en lugar del caso de negocio. Se celebra el prototipo y se entierra al mes.

La IA no va a reemplazar a quienes trabajan bien. Pero si va a exponer a las organizaciones que trabajan mal.

2026 sera el ano en que las empresas deban confrontar su madurez operativa: datos, procesos, gobernanza y cultura.

Porque la IA funciona. Lo que no funciona es implementarla sin organizacion.

Fuentes: Harvard Business Review, MIT Sloan Management Review, O’Reilly / VentureBeat, Boston Consulting Group, IBM Global AI Adoption Index, Gartner.

IA: un gigante en expectativas con pies de barro

Mon, 15 Dec 2025 00:00:00 +0000

Para la mayoria de organizaciones, la IA es todavia un gigante en expectativas con pies de barro en la realidad presente.

La promesa de la IA es real: automatizacion, eficiencia, crecimiento de margenes.

Pero hay algo que algunos prefieren no decir en voz alta. Cuando hablamos de “estrategia de IA”, en muchas ocasiones esta concebida sobre:

Sistemas legacy
Data pipelines fragiles
Deuda tecnica acumulada
Codigo sin documentar / shadow IT

La IA falla en la entrega de la promesa cuando intentamos construir el futuro sobre cimientos que nunca reforzamos.

Quienes van a ganar
#

Las organizaciones que van a ganar no seran las que “adopten IA mas rapido”, sino las que tengan el coraje de:

Ordenar su arquitectura
Invertir en datos antes que en demos
Asumir la deuda tecnica como un problema estrategico, no solo tecnico

La IA no reemplaza el trabajo duro, lo amplifica. Y quienes estamos en tecnologia tenemos una responsabilidad: preparar los cimientos y no fomentar los castillos en el aire.

La IA no reemplazará a los docentes, pero transformará su rol

Wed, 02 Jul 2025 00:00:00 +0000

La inteligencia artificial no reemplazará a los docentes… pero sí transformará profundamente el rol del educador del futuro.

En mi nueva columna para Expansión, reflexiono sobre cómo la IA está cambiando la educación, no para sustituir al maestro, sino para potenciarlo, ampliando sus capacidades y redefiniendo su papel como guía, mentor y diseñador de experiencias significativas de aprendizaje.

Año III de la IA: la era de la IA Agéntica

Wed, 11 Dec 2024 00:00:00 +0000

Y ahora a por los retos de 2025, el Año III de la nueva era de la IA: el año de la Agentic AI.

Año I - 2023: la irrupción de ChatGPT, el año del prompting en el que la IA era conversación textual. Lanzamos nuestro TecGPT.

Año II - 2024: la IA se vuelve multimodal y aprende a generar contenidos de imagen, sonido, música, voz y vídeo. Lanzamos nuestro SkillStudio e incorporamos la multimodalidad a nuestra plataforma.

Año III - 2025: la IA permite generar agentes autónomos que toman acciones por nosotros, el año de Agentic AI. Lanzaremos AgentStudio con la contribución imprescindible de Manuel Terán y su increíble equipo.

Mas alla de Agile: la revolucion centrada en el producto

Tue, 27 Feb 2024 00:00:00 +0000

La metodologia Agile clasica ha sido el marco organizacional perfecto para las empresas que buscan eficiencia y adaptabilidad en sus proyectos. Sin embargo, el cliente se ha vuelto gradualmente mas complejo en sus demandas y es necesario buscar nuevas formas de satisfacer las expectativas de mercados cada vez mas maduros. Esto conduce a disenar una configuracion en la organizacion alrededor de estructuras basadas en productos para conseguir una forma mas holistica de centrarse en los clientes.

Desventajas de la metodologia Agile clasica
#

Aunque estas metodologias fomentan iteraciones rapidas y capacidad de respuesta, las celulas agiles tradicionales tambien resultan en silos. De hecho, pueden llegar al extremo de crear compartimentacion. Cuando los equipos trabajan en silos, se genera una perspectiva fragmentada del panorama general — los esfuerzos adolecen de falta de coordinacion, lo que resulta en productos que no reflejan totalmente las necesidades de los usuarios. La falta de una vision unica puede diluir la propiedad y la responsabilidad de entregar resultados coherentes e impactantes.

Ventajas de una organizacion basada en productos
#

Moverse hacia una organizacion estructural basada en productos alinea todos los equipos bajo una vision de producto unica y los alienta a colaborar profundamente en visiones compartidas del producto enfocadas en el usuario final. Los hace responsables e involucrados, asegurando que al menos una, si no mas funciones, contribuyan directa y exclusivamente a entregar valor a los clientes. La priorizacion de recursos se vuelve mas logica cuando la entidad central esta enfocada en el producto, y las organizaciones pueden tomar decisiones mas agiles en el desarrollo de sus productos que satisfacen verdaderamente las demandas del mercado.

La transicion
#

El transito de celulas Agile a un marco basado en productos es un cambio que debe ser ejecutado con precision. La redefinicion de roles, la realineacion de objetivos y la inculcacion de una cultura de funcionalidad cruzada y orientacion al cliente requieren reflexion y tiempo.

Conclusion
#

La organizacion basada en productos ofrece una alternativa realista y conveniente para adaptarse a un entorno cada vez mas exigente. La orientacion hacia los procesos no siempre cumple con la tarea de satisfacer las expectativas del cliente y ser mas competitivos, sino que actua a veces en sentido contrario.

Este cambio de paradigma de las metodologias Agile clasicas a un enfoque en el producto ofrece una alternativa mas cercana a los intereses de nuestros publicos.

Digital Transformation on Carles Abarca

Dejad de llorar por la IA y los empleos

Dejad de llorar por la IA y los empleos #

La narrativa equivocada #

Lo que dicen los datos #

El punto ciego: no desaparece tu puesto, cambian tus competencias #

La experiencia real en los equipos #

El derribo de barreras para crear #

El riesgo real no es la IA #

Entonces, ¿qué conviene hacer? #

1. Aprender a trabajar con IA, no solo a hablar de IA #

2. Reforzar el criterio #

3. Rediseñar procesos #

4. Apostar por aprendizaje continuo #

5. Sustituir miedo por disciplina #

Una conclusión incómoda, pero útil #

La Era de la IA Barata Se Está Terminando

Las señales ya están aquí #

La IA nunca fue barata. Estaba subsidiada. #

Los modelos frontier no siguen la lógica del software tradicional #

La tarifa plana fue más estrategia comercial que realidad sostenible #

La gran paradoja: más restricciones, y aun así no es suficiente #

Qué significa esto para las empresas #

1. Diseña para múltiples niveles de modelo #

2. Implementa routing inteligente #

3. Mide el coste por caso de uso #

4. Piensa en IA como infraestructura, no solo como software #

5. No dependas de un solo proveedor #

El fin de una etapa, no el fin de la IA #

Conclusión #

Mi agente de IA tiene 2 semanas. 72.000 líneas de código. 5 proyectos en producción.

Una aclaración primero #

Mi aprendiz digital #

Los números #

Cómo llegó este artículo aquí #

La verdadera lección #

Qué significa esto #

La conclusión #